针对互补学习跟踪算法遮挡、背景复杂等场景下出现跟踪漂移的问题，提出了高置信度的自适应特征融合目标跟踪算法。首先，使用巴氏系数实时计算每一帧前景与背景颜色直方图的相似度并利用对数损失函数求得最终融合因子，实现每一帧更优的特征融合；其次，将平均峰值相关能量和响应峰值与其对应历史均值的比值作为置信度判定参数，根据判定结果决定是否更新和纠正目标位置进行跟踪。在OTB100和LaSOT数据集上进行实验，提出算法与Staple算法相比精确率和成功率分别提高了17.5%、15.4%和27.3%、18.0%，该结果表明了该算法的有效性和鲁棒性。

针对上下文感知相关滤波跟踪算法中提取目标周围背景信息训练滤波器时,未考虑滤波器时间一致性的问题,当目标出现外观突变时,滤波器无法适应连续两帧图像中目标和背景信息的变化,易出现目标漂移等问题,提出一种自适应上下文感知相关滤波跟踪算法。首先,将目标周围的背景信息学习到滤波器中,增加滤波器对背景信息和目标的分类能力,加入时间感知项,保证学习连续两帧图像的滤波器尽可能一致。然后,采用线性插值法用于确定目标位置,模型更新阶段,引入遮挡判别依据平均峰值相关能量对目标是否遮挡进行判别。最后,在数据集OTB100上与当前主流算法进行大量对比实验。实验结果表明,本文算法在数据集OTB100上的精确率和成功率分别为0.798和0.722,与其他主流算法相比,本文算法在快速运动、遮挡、光照变化等复杂条件下也具有较好的跟踪效果。

针对相关滤波方法对快速运动与快速变形的目标跟踪稳定性较差的问题,提出一种自适应特征选择的相关滤波跟踪算法。利用位置滤波器和颜色概率模型提取候选区域中的基础特征,对基础特征以不同的权重分配方式进行融合,得到多个融合特征。对融合特征进行可信度判定,选择可信度较高的融合特征作为当前帧的跟踪特征,估计出目标的候选位置。若最高可信度低于可信度阈值,启动检测器重新检测目标位置,否则候选位置即为目标最终位置。与此同时,对目标模型进行更新,确保模型对目标描述的准确性。在标准数据集OTB50和OTB100上进行大量实验,测试结果表明,所提出的跟踪方法在运动模糊、光照变化、快速运动等条件下具有较高的跟踪准确率和较好的稳健性。

提出一种采用粒子群优化(PSO)的高斯混合灰度图像增强算法。该算法首先采用高斯混合模型(GMM)对输入图像的灰度直方图建模, 并采用模型中高斯成分的有效交点来分割直方图。随后, 该算法将每个直方图区间的灰度值转换到合适的输出区间, 生成增强后的灰度图像, 其中转换函数由输入直方图区间的高斯成分和累积分布经过粒子群优化后的参数决定。实验结果显示, 该方法生成的图像视觉效果较好, 对原图像和纹理细节丰富图像分别进行图像增强, 增强后的图像信息熵分别是4.746 6和7.952 6, 灰度平均梯度为6.970 6和37.386 1。

运动目标检测是智能视频监控系统中的重要步骤和前提。提出了一种基于随机背景建模的非参数化建模算法, 对场景中运动目标进行快速提取跟踪。在初始化阶段, 从当前像素的邻域中随机抽取样本值作为背景模型; 在模型更新阶段, 引入了随机更新策略和背景传播机制, 能够较好地抑制环境噪声; 在后处理阶段, 给出了一种基于积分图的前景滤波优化方法, 进一步滤除噪声和填充前景空洞。实验结果表明, 在复杂场景条件下, 算法的目标检测性能明显优于其他几种同类算法, 能够较好地抑制噪声干扰, 具有较高的检测正确率。对于360×288像素的测试视频, 算法的计算速度高达120 f/s, 完全可以满足实时应用。

为使**系统具备同时对多个目标进行精确打击的能力,在光电系统中可采用多目标视频跟踪器辅助激光照射器、伺服稳定平台实现多个潜在目标同时捕获跟踪并打击.研究了一种运行于多目标视频跟踪器的目标检测方法,针对数字图像分辨率高、数据量大及难以在嵌入式系统中实时运行的难点,基于TMS320C6455 DSP处理器,提出基于小波金字塔的全局运动光流估计算法图像配准实现运动图像的背景补偿以获取差分图像,相比传统的块匹配、灰度投影配准及基于特征点的配准算法,具有配准精度高与可嵌入式系统实时处理等优点,在差分图像中采用区域生长结合管道滤波算法提取图像中多个运动目标.经实验验证,该方法在复杂地面场景对汽车、自行车及行人目标检出率可达95%,计算时间仅为25 ms,具有良好的实时性和检测效果.

大规模图像集合的自动分组，不仅可以帮助用户快速组织和掌握图像集合的内容，并且是基于图像的三维场景重建应用的前提和重要环节。提出一种基于词袋模型(bag-of-words, BOW)的层次化分组算法，将每幅图像表示为一个超高维视词向量，利用多路量化技术将内容相似的图像量化到同一个节点，从而完成对图像粗略分组。然后，在每组类别里面，对图像的局部特征向量进行逐一匹配，并利用仿射空间不变量的约束条件，去除不可靠特征匹配，得到更为准确可靠的图像相似度度量，从而完成图像的精细分组。实验结果表明：从得到的系统不同阶段图像分组的查准率-查全率(precision-recall)曲线可以看出，精细分组过程可以显著提高粗分组精度，并且在精细分组阶段，使用约束条件比不使用约束还能获得更高的分组精度

局部直方图均衡是以全局直方图均衡化方法为基础，对图像中每个像素点所在的邻域范围求出灰度转换函数，然后仅应用在该中心点处。为了提高算法的运算速度，特别是在处理视频图像时，采取传统的DSP的设计方法在速度上很难满足需要，因此，利用FPGA实现是一个很好的选择。为使局部直方图均衡方法能够在FPGA上具体实现，从空间域的角度改进了图像灰度直方图均衡算法，并利用VHDL语言对算法进行了完全可综合的RTL级描述，最后在硬件平台上验证了结果。

提出一种基于特征点跟踪的稳像算法。该算法从参考帧图像中提取出一组特征点，然后在后续帧中进行基于Kalman滤波的特征点的跟踪，匹配参考帧图像中特征点的坐标和当前图像中基于Kalman滤波修正后得到的特征点的坐标，并通过仿射模型求出位移量及旋转参数，最后进行反向变换，从而得到稳定的视频图像。实验结果表明：该算法稳像效果好，运算复杂度低，且具有较强的鲁棒性。